論文の概要: From Full Boards to Tiny Defects: Scale-Aware Tile Inference with Topology-Aware Merging for High-Resolution PCB Defect Detection

• arxiv url: http://arxiv.org/abs/2605.24726v1
• Date: Sat, 23 May 2026 20:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.349246
• Title: From Full Boards to Tiny Defects: Scale-Aware Tile Inference with Topology-Aware Merging for High-Resolution PCB Defect Detection
• Title（参考訳）: 完全板から細い欠陥:高分解能PCB欠陥検出のためのトポロジ・アウェア・マージによるスケール・アウェア・タイル推論
• Authors: Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan,
• Abstract要約: 高解像度プリント基板(PCB)検査は、フルボード画像が標準検出器入力にリサイズされたときに分解能崩壊する。 2つの高分解能PCB欠陥データセットを用いて評価した5つの推測手法の体系的比較を行った。
• 参考スコア（独自算出の注目度）: 2.2908242575265025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution printed circuit board (PCB) inspection suffers from resolution collapse when full-board images are resized to standard detector inputs: micro-scale defects shrink to a few pixels and are missed. Tile-based inference preserves local detail but introduces boundary artefacts at tile edges, causing split detections and false negatives. We present a systematic comparison of five inference strategies evaluated on two high-resolution PCB defect datasets, PCB-Defect (230 images, 1704 annotations) and HRIPCB (693 images, 2 953 annotations), spanning six defect classes. We show that training-inference scale consistency is critical: a detector trained on full images collapses to mAP@50 = 0.01 under tile inference, while the same architecture trained on 640*640 tile crops achieves 0.72 and 0.94 on the two datasets respectively. We further exploited Topology-Aware Tile Merging (TA-TM), a training-free post-processing method that builds a tile-adjacency graph and adjusts boundary-sensitive detection scores using neighbour-tile agreement before global NMS. Across both datasets, adding 128 px tile overlap raises boundary-zone recall from ~26-63% to ~70-100%, TA-TM achieves the best mAP@50 on both benchmarks, and tile inference recovers 46-100% of small defects missed entirely by full-image methods. Results are consistent across datasets, confirming the generalizability of the proposed strategy. TA-TM requires no retraining and is architecture-agnostic, making it directly applicable to existing PCB inspection pipelines.
• Abstract（参考訳）: 高解像度プリント基板(PCB)検査は、フルボード画像が標準検出器入力にリサイズされると分解能が低下する。 タイルベースの推論は局所的な詳細を保存するが、タイルエッジに境界アーチファクトを導入し、分割検出と偽陰性を引き起こす。 本稿では,2つの高解像度PCB欠陥データセット,PCB欠陥(230画像,1704アノテーション)とHRIPCB(693画像,2953アノテーション)で評価した5つの推論手法の体系的比較を行った。 フルイメージでトレーニングされた検出器は、タイル推論でmAP@50 = 0.01に崩壊し、640*640のタイル作物でトレーニングされた同じアーキテクチャは、2つのデータセットでそれぞれ0.72と0.94を達成する。 さらに,Topology-Aware Tile Merging (TA-TM) を利用した。これは,タイル調整グラフを構築し,グローバルNMSの前に隣接タイル契約を用いて境界感度検出スコアを調整する,トレーニング不要のポストプロセッシング手法である。 両方のデータセットに128pxのタイルオーバーラップを加えると、境界ゾーンのリコールが~26-63%から~70-100%に上昇し、TA-TMは両方のベンチマークで最高のmAP@50を獲得し、タイル推論は46-100%の小さな欠陥をフルイメージのメソッドで完全に失われる。 結果はデータセット間で一貫性があり、提案された戦略の一般化性を確認する。 TA-TMは再トレーニングを必要とせず、アーキテクチャに依存しないため、既存のPCB検査パイプラインに直接適用できる。

関連論文リスト

• Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
  スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。 PathCTMは診断推論を動的逐次情報追跡として定式化する。 必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
  論文  参考訳（メタデータ） (2026-05-19T07:46:44Z)
• UniPCB: A Generation-Assisted Detection Framework for PCB Defect Inspection [16.687894734386322]
  制御された欠陥合成とタスク固有の欠陥検出を統合した世代別PCB欠陥検査フレームワークを提案する。 DsPCBSD+の実験では、UniPCBは98.0%のmAP@0.5と61.8%のmAP@0.5:0.95の欠陥検出を達成した。
  論文  参考訳（メタデータ） (2026-05-06T08:30:27Z)
• Ultrafast Deep Learning-Based Scatter Estimation in Cone-Beam Computed Tomography [7.864992877255044]
  散乱アーティファクトは、コーンビームCT(CBCT)スキャンの画質を大幅に劣化させる。 深層学習に基づく手法はCBCT測定から散乱を推定する上で有望であることを示す。 モバイルCBCTシステムやエッジデバイスへの展開は、ネットワークのメモリフットプリントが大きいため、依然として制限されている。
  論文  参考訳（メタデータ） (2025-09-10T20:07:56Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• PRISM: Distributed Inference for Foundation Models at Edge [73.54372283220444]
  PRISMは、エッジデバイス上での分散トランスフォーマー推論のための通信効率と計算アウェア戦略である。 ViT,BERT,GPT-2のPRISMを多種多様なデータセットで評価した。
  論文  参考訳（メタデータ） (2025-07-16T11:25:03Z)
• SPFFNet: Strip Perception and Feature Fusion Spatial Pyramid Pooling for Fabric Defect Detection [0.0]
  YOLOv11に基づくファブリック欠陥検出モデルを提案する。 SPM(Strip Perception Module)を導入し,マルチスケールのコンボリューションにより機能キャプチャを改善する。 また,適応重み付き共振器(FECIoU)の新たな拡張完全交叉法を提案する。
  論文  参考訳（メタデータ） (2025-02-03T15:33:11Z)
• Learning to utilize image second-order derivative information for crisp edge detection [16.152236524867078]
  エッジ検出はコンピュータビジョンの基本課題である。 最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。 本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。 また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。 最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-09T13:25:02Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。